第1章 緒論 1
1.1 人臉識別的目的和意義 1
1.2 人臉識別的研究現狀 2
1.2.1 國際研究動態 2
1.2.2 國內研究現狀 4
1.3 人臉識別的研究內容 5
1.3.1 經典的工作 5
1.3.2 最新的動向 6
1.4 本書的主要目的和內容安排 7
1.4.1 主要目的 7
1.4.2 內容安排 7
參考文獻 8
第2章 人臉特徵表示 11
2.1 主成分分析 11
2.2 線性判別分析 12
2.3 最大間距準則 13
2.4 二維主成分分析 13
2.5 二維線性判別分析 14
2.6 雙向主成分分析 15
2.7 類增廣PCA 16
2.8 自我調整類增廣PCA 18
2.9 融合小波變換和自我調整類增廣PCA 20
2.10 二維類增廣PCA 21
2.10.1 用2DPCA進行預處理 21
2.10.2 特徵矩陣歸一化 22
2.10.3 根據類資訊獲得類增廣資料 22
2.10.4 對類增廣資料進行2DPCA處理 23
2.11 實驗結果與分析 23
2.11.1 識別性能分析 24
2.11.2 時間和綜合性能分析 26
2.11.3 二維CAPCA的實驗 27
2.12 本章小結 29
參考文獻 29
第3章 光照預處理與自我調整特徵提取 30
3.1 基於小波變換的預處理 30
3.2 自商圖像 31
3.3 Retinex方法 32
3.4 各向異性光滑處理 34
3.5 同態濾波 35
3.6 局部對比增強 37
3.7 基於Curvelet的特徵提取 38
3.7.1 Curvelet變換 38
3.7.2 離散Curvelet變換的實現方法 40
3.8 自我調整特徵的提取 41
3.8.1 候選特徵的表示 42
3.8.2 鑒別能力分析與特徵選擇 42
3.9 非參數子空間分析 43
3.10 2DPCA非參數子空間分析 44
3.10.1 二維主成分分析 44
3.10.2 二維非參數子空間分析 45
3.10.3 特徵提取和分類 46
3.11 實驗結果與分析 46
3.11.1 分塊熵特徵表示的性能優勢 46
3.11.2 自我調整特徵選擇 47
3.11.3 不同2DPCA子空間對2DNSA的影響 49
3.11.4 各種光照預處理與特徵提取方法相結合對比分析 50
3.12 本章小結 56
參考文獻 57
第4章 流形學習與圖像粒計算方法 59
4.1 等距映射 59
4.2 局部線性嵌入 61
4.3 拉普拉斯特徵映射 64
4.4 局部保持投影 65
4.5 流形學習演算法分析 67
4.6 粒計算 69
4.6.1 粒計算的基本組成 69
4.6.2 粒計算的基本問題 70
4.6.3 粒計算的應用研究 71
4.7 圖像粒 72
4.8 基於圖像粒的影像處理 73
4.9 人臉圖像低維嵌入 74
4.9.1 人臉圖像二維嵌入 75
4.9.2 基於圖像粒的LLE 76
4.9.3 加權預處理的圖像粒LLE 79
4.10 基於圖像粒LPP的人臉姿態和表情分析 83
4.10.1 CMU PIE人臉庫實驗 83
4.10.2 Frey人臉庫實驗 86
4.11 本章小結 98
參考文獻 98
第5章 小波變換與特徵提取 100
5.1 二維小波變換 100
5.2 基於小波和流形學習的人臉姿態表情分析 102
5.2.1 圖像特徵資訊粒 102
5.2.2 基於小波分解的流形演算法 103
5.3 Gabor小波特徵提取 104
5.3.1 Gabor小波介紹 104
5.3.2 Gabor特徵表示 104
5.4 基於Gabor小波的S2DNPE演算法 104
5.4.1 有監督的二維近鄰保持嵌入 105
5.4.2 GS2DNPE的演算法流程 105
5.5 基於Gabor小波的SB2DLPP演算法 106
5.5.1 雙向二維局部保持投影 106
5.5.2 有監督的雙向二維局部保持投影演算法 107
5.6 雙向二維近鄰保持嵌入演算法 109
5.7 雙向二維近鄰保持判別嵌入演算法 111
5.7.1 投影矩陣的求解 111
5.7.2 特徵分類識別 114
5.8 實驗結果與分析 114
5.8.1 基於Gabor小波的S2DNPE演算法 114
5.8.2 基於Gabor小波的SB2DLPP演算法 119
5.8.3 雙向二維近鄰保持判別嵌入演算法 126
5.9 本章小結 131
參考文獻 132
第6章 稀疏表示與字典學習 133
6.1 稀疏表示的模型和求解演算法 133
6.2 協同表示理論 134
6.3 字典學習 137
6.4 類別特色字典學習 137
6.5 類別特色字典優化 139
6.6 共用字典學習 140
6.7 共用字典和類別特色字典結合的分類方法 141
6.8 類內變化字典學習 143
6.9 類內變化字典優化 144
6.10 分類策略 145
6.11 實驗結果分析 146
6.11.1 類別特色字典優化實驗 146
6.11.2 演算法6-4實驗 155
6.12 本章小結 164
參考文獻 165
第7章 特徵篩選與人臉表情識別 167
7.1 LBP運算元 167
7.2 CLBP運算元 168
7.3 DisCLBP運算元 169
7.4 基於Fisher準則改進的DisCLBP特徵篩選演算法描述 170
7.5 基於DisCLBP的人臉表情識別 173
7.6 特徵塊初始化 175
7.7 初次篩選特徵塊 177
7.8 再次篩選特徵塊並分類 178
7.9 實驗結果與分析 180
7.9.1 DisCLBP的人臉表情識別實驗 180
7.9.2 篩選特徵塊實驗 183
7.10 本章小結 189
參考文獻 189
第8章 人臉特徵點檢測與2D矯正 191
8.1 牛頓法 191
8.2 從牛頓法推導SDM 193
8.2.1 牛頓法運算式 193
8.2.2 SDM 194
8.3 人臉特徵點檢測SDM 195
8.3.1 SDM流程 195
8.3.2 SDM流程圖 197
8.3.3 SIFT特徵點檢測 198
8.4 Delaunay三角剖分介紹 202
8.4.1 三角剖分定義 202
8.4.2 Delaunay三角剖分定義 203
8.4.3 Delaunay三角剖分準則 203
8.4.4 Delaunay三角剖分特性 204
8.4.5 局部最優化處理 204
8.5 Delaunay三角剖分演算法 205
8.5.1 Lawson演算法 205
8.5.2 Bowyer-Watson演算法 206
8.6 基於網路變形的人臉矯正 209
8.6.1 包圍盒 209
8.6.2 人臉矯正的流程 209
8.6.3 面部變形 209
8.6.4 仿射變換 212
8.7 實驗結果及分析 215
8.7.1 人臉庫簡介 215
8.7.2 LFW人臉庫上的實驗 215
8.7.3 對比分析 217
8.8 本章小結 219
參考文獻 220
第9章 人臉特徵檢測與深度學習 221
9.1 背投影 221
9.2 特徵檢測和描述 222
9.2.1 Haar級聯檢測 223
9.2.2 HoG 224
9.3 R-CNN系列 225
9.3.1 R-CNN 225
9.3.2 Fast R-CNN 229
9.3.3 Faster R-CNN 232
9.4 BoVW 234
9.4.1 BoVW模型 235
9.4.2 基於BoVW模型的學習和識別 235
9.5 DeepFace 236
9.5.1 DNN架構和訓練 236
9.5.2 標準化 237
9.5.3 驗證度量 238
9.6 基於MT-CNN和FaceNet的演算法描述 238
9.6.1 人臉檢測和識別的技術分析 238
9.6.2 MT-CNN 240
9.6.3 FaceNet 242
9.6.4 多實例模型 243
9.7 實驗結果及分析 244
9.7.1 FaceNet分析 244
9.7.2 多實例模型分析 247
9.8 本章小結 250
參考文獻 250